Lavorare con i segnali
La dispersione wavelet consente di produrre rappresentazioni dei dati a bassa varianza che minimizzano le differenze all'interno di una classe, preservando al contempo la discriminabilità tra le classi. La dispersione wavelet richiede pochi parametri specificati dall'utente per produrre rappresentazioni compatte dei dati che siano robuste rispetto agli spostamenti temporali su una scala definita dall'utente. È possibile utilizzare queste rappresentazioni insieme agli algoritmi di Machine Learning per la classificazione e la regressione.
È possibile utilizzare la trasformata wavelet continua (CWT) per generare mappe di frequenza temporale bidimensionali di dati di serie temporali, che possono essere utilizzate con le reti convoluzionali bidimensionali. La generazione di rappresentazioni tempo-frequenza da utilizzare nelle CNN profonde è un approccio potente per la classificazione del segnale. La capacità della CWT di catturare simultaneamente lo stato stazionario e il comportamento transitorio nei dati di serie temporali rende la rappresentazione tempo-frequenza basata su wavelet particolarmente robusta quando viene abbinata alle CNN profonde. È inoltre possibile calcolare la trasformata wavelet discreta a sovrapposizione massima (MODWT) e l'analisi multirisoluzione (MRA) MODWT all'interno di una rete di Deep Learning.
Con una licenza Signal Processing Toolbox™ è possibile includere la trasformata di Fourier a tempo breve nei workflow di Machine Learning e Deep Learning. È inoltre possibile utilizzare Signal Labeler (Signal Processing Toolbox) per etichettare i segnali per l'analisi o per l'utilizzo in applicazioni di Machine Learning e Deep Learning. Signal Labeler salva i dati come oggetti labeledSignalSet. Con una licenza Audio Toolbox™ è possibile Import and Play Audio File Data in Signal Labeler (Signal Processing Toolbox). È inoltre possibile utilizzare melSpectrogram (Audio Toolbox) per l'estrazione di feature.
App
| Signal Labeler | Label signal attributes, regions, and points of interest |
Funzioni
Argomenti
- Detect Air Compressor Sounds in Simulink Using Wavelet Scattering (DSP System Toolbox)
Use the Wavelet Scattering block and a pretrained deep learning network to classify audio signals.
- Detect Anomalies in ECG Data Using Wavelet Scattering and LSTM Autoencoder in Simulink (DSP System Toolbox)
Use wavelet scattering and deep learning network to detect anomalies in ECG signals.
- Radar and Communications Waveform Classification Using Deep Learning (Phased Array System Toolbox)
Classify radar and communications waveforms using the Wigner-Ville distribution (WVD) and a deep convolutional neural network (CNN).
- Radar Target Classification Using Machine Learning and Deep Learning (Radar Toolbox)
Classify radar returns using machine and deep learning approaches. (Da R2021a)
Informazioni complementari
Esempi in primo piano
Acoustic Scene Recognition Using Late Fusion
Create a multi-model late fusion system for acoustic scene recognition.
Air Compressor Fault Detection Using Wavelet Scattering
Classify faults in acoustic recordings of air compressors using a wavelet scattering network and a support vector machine.
Anomaly Detection Using Convolutional Autoencoder with Wavelet Scattering Sequences
Detect anomalies in acoustic data using wavelet scattering with the
deepSignalAnomalyDetector object.
Classify Time Series Using Wavelet Analysis and Deep Learning
Classify electrocardiogram data using deep learning and the continuous wavelet transform.
Crack Identification from Accelerometer Data
Use wavelet and deep learning techniques to detect transverse pavement cracks and localize their position.
Detect Anomalies Using Wavelet Scattering with Autoencoders
Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning.
Fault Detection Using Wavelet Scattering and Recurrent Deep Networks
Classify faults in acoustic recordings of air compressors using a wavelet scattering network paired with a recurrent neural network.
GPU Acceleration of Scalograms for Deep Learning
Use your GPU to accelerate feature extraction for signal classification.
Human Health Monitoring Using Continuous Wave Radar and Deep Learning
Reconstruct electrocardiogram signals using a bidirectional long short-term memory network and wavelet multiresolution analysis.
Signal Classification Using Wavelet-Based Features and Support Vector Machines
Classify electrocardiogram signals using features derived from wavelets and an autoregressive model.
Signal Recovery with Differentiable Scalograms and Spectrograms
Use differentiable time-frequency transforms and gradient descent to recover a time-domain signal without the need for phase information.
Spoken Digit Recognition with Wavelet Scattering and Deep Learning
Classify spoken digits using both machine learning and deep learning techniques.
Time-Frequency Convolutional Network for EEG Data Classification
Classify electroencephalographic (EEG) time series from persons with and without epilepsy.
Time-Frequency Feature Embedding with Deep Metric Learning
Construct wavelet-based feature embeddings to classify EEG signals from persons with and without epilepsy.
Wavelet Time Scattering Classification of Phonocardiogram Data
Classify human phonocardiogram recordings using wavelet time scattering and a support vector machine classifier.
Wavelet Time Scattering for ECG Signal Classification
Classify human electrocardiogram signals using wavelet time scattering and a support vector machine classifier.
